En este estudio, proponemos un mapeo y localización confiable de Detección y Alcance de Luz (LiDAR) a través de la eliminación de objetos móviles, los cuales pueden causar ruido para vehículos de conducción autónoma basados en la Transformación de Distribuciones Normales (NDT). LiDAR mide las distancias a objetos como autos estacionados y en movimiento y objetos en la carretera, calculando el tiempo de vuelo requerido para que el haz del sensor refleje en un objeto y regrese al sistema. El sistema de localización propuesto utiliza LiDAR para implementar el mapeo y emparejamiento del entorno de un vehículo autónomo. Esta localización se aplica a un vehículo autónomo, un SUV mediano que tiene un sensor Velodyne de 64 canales, detectando objetos móviles a través de DeepLabV3 modificado y segmentación semántica. Los sensores LiDAR y de visión son sensores de percepción populares, pero los sensores de visión tienen una debilidad que no permite detectar un objeto con precisión bajo circunstancias especiales, como de noche o cuando hay contraluz durante el día. Aunque LiDAR es más caro que otros sensores de detección, LiDAR puede detectar de manera más confiable y precisa un objeto con la profundidad correcta porque un sensor LiDAR estima la distancia de un objeto utilizando el tiempo de vuelo requerido para que el haz del sensor LiDAR detecte el objeto y regrese al sistema. El costo de un producto LiDAR disminuirá drásticamente en caso de una demanda creciente de LiDAR en áreas industriales de vehículos autónomos, robots humanoides, robots de servicio y drones no tripulados. Como resultado, este estudio desarrolla una aplicación precisa de localización LiDAR para un SUV mediano, que ofrece el mejor rendimiento en cuanto a adquirir información de un objeto y contribuir al control apropiado y oportuno del SUV mediano. Sugerimos el mapeo y la localización utilizando solo LiDAR, sin el apoyo de otros sensores como un Sistema de Posicionamiento Global (GPS) o un sensor de Unidad de Medición Inercial (IMU); usar solo un sensor LiDAR será beneficioso para la competitividad de costos y la confiabilidad. Con el poderoso DeepLabV3 modificado, que es más rápido y preciso, identificamos y eliminamos un objeto móvil a través de la segmentación semántica. La tasa de mejora del rendimiento de mapeo y emparejamiento de nuestro NDT propuesto, al eliminar los objetos móviles, fue aproximadamente del 12% en términos del Error Cuadrático Medio (RMSE) para la primera quinta parte del curso de prueba, donde había menos autos estacionados y más autos en movimiento.